基于深度学习的高铁接触网顶紧螺栓的缺陷检测

针对高铁接触网顶紧螺栓目标小、缺陷检测困难的问题,提出一种基于深度学习的顶紧螺栓缺陷检测方法。根据4C检测车拍摄的高铁接触网图片(大小为6600*4400 pixels),首先对特征信息更多的斜撑套筒进行定位,采用TDM模块与SSD相结合的算法提升算法对小目标的检测精度,并通过改变默认框的尺寸以得到更好的检测精度和速度;然后利用DeepLab v3 plus算法对顶紧螺栓部分进行语义分割;最后提出一种阈值法对顶紧螺栓的缺陷情况进行判别。为满足实际工程的速度需求,对训练好的模型进行优化。实验结果表明:相较于经典的SSD,本文改进的SSD方法对斜撑套筒的定位精度和速度都有提升;对于6600*4400 pixels的原始样本,本文提出的顶紧螺栓缺陷检测方法精度上达到95.9%,速度达到17.9 fps。     

应用YOLO深度卷积网络的轨道图像定位算法

将摄影测量技术应用于铁路轨道检测是未来轨检技术的发展趋势。对轨道图像扣件的快速定位,是判断扣件是否缺损,匹配连续图像以及对轨道线形三维重建的基础。由于实际中轨道图像易受到拍摄角度、光照等因素影响,同时有砟轨道图像具有背景复杂、色彩单一、特征分布多变等特点,使得传统基于钢轨、轨枕布设关系的扣件定位算法具有局限性,对弯道和上下行道岔咽喉区域的扣件定位鲁棒性差。将近年在计算机视觉领域发展迅猛的深度学习算法引入铁路轨道检测,利用YOLO端对端输出的网络特点,根据图像全局信息直接对扣件的Bounding Box和类别进行迭代回归,输出扣件位置信息。试验检测50份测试数据,检测正确率达到94%,检测速度54 fps,可以达到实时检测的要求。     

基于深度学习的液位仪表读数识别方法研究

变电站对高铁安全运行至关重要,为准确获取高铁变电站液位仪表的准确读数,基于YOLOX-S提出KN-YOLOX-S深度学习网络模型。在骨干网络中,引入Ghost卷积代替传统卷积层,降低网络的参数量和计算量,实现模型的轻量化;在SPPBotteneck模块中增加KNSE注意力模块,提高网络对空间信息的敏感度,增强有效特征信息的提取能力。实验表明,KN-YOLOX-S比YOLOX-S模型在mAP@0.50上提高0.4%,mAP@0.5:0.95提高0.54%,同时推理速度提高近2倍,满足高铁变电站液位表实时检测要求。     

钢轨扣件横向偏移特征检测算法研究

针对无砟轨道中钢轨扣件发生横向松动、脱离正常工作位置产生偏移的问题,提出一种钢轨扣件横向偏移检测法.首先,该算法为解决传统的扣件图像定位不够精准问题,采用k-means聚类和类二值算法强化分割前景、背景与轮廓矩特征,实现对采集图像中扣件位置的精准定位;其次,不同于传统扣件特征提取采用复杂语义,提出一种基于机器视觉的轮廓分析方法,通过提取扣件的绝缘帽与螺母的轮廓特征,计算相邻绝缘帽间距和相邻螺母间距,并与安全状态下扣件轮廓特征计算得到的安全距离阈值进行对比,进一步计算偏移量,从而判断扣件是否发生横向松动.结果 表明:该算法计算速度快,能够准确地定位弹条位置和偏移量,与传统的识别算法得到扣件的偏移量数据相比准确率显著提高,可达98％.     

基于半监督深度学习的无砟轨道扣件缺陷图像识别方法

提出基于置信图的扣件子图快速定位算法,即基于概率图模型构建扣件子图邻域纹理图和初始引导图与被定位图之间的置信图,并通过计算置信图的最大极值点实现对扣件子图中心点的快速定位。在此基础上,针对无砟轨道扣件缺陷样本相对稀缺的问题,提出基于半监督深度学习的扣件缺陷图像识别方法,即首先采用稀疏自编码(SAE)网络在无标签的数据集进行迭代学习获得扣件子图稀疏表征,然后将训练好的SAE网络连接softmax层组成分类网络,最后在有人工类别标注的小数据集进行二次训练及参数微调获得最终的识别模型。通过在装配WJ-7型扣件的CTRS-Ⅰ和WJ-8型扣件的CTRS-Ⅱ型无砟轨道图像进行应用测试和方法验证。结果表明:该方法可快速精确定位扣件并识别扣件缺失、弹条折断、弹条移位3类缺陷,有效检出率达95%以上。     

张吉怀高铁智能道岔融雪系统方案探讨

从张吉怀高铁将采用道岔融雪设备的实际情况出发,分析传统的R D1型电加热道岔融雪系统存在耗电量大的问题,从而创新性采用基于调度的智能道岔融雪系统方案,并详细介绍智能道岔融雪系统的结构、智能控制算法、智能控制效果,提出的基于调度的智能道岔融雪系统相比于传统道岔融雪系统可以极大地节省电能.     

基于简化鲁棒UKF的GNSS/INS紧组合列车定位方法

针对GNSS/INS组合列车定位中的信息融合非线性与传感器量测故障问题，为满足复杂多变列车运行场景下列车定位精度与鲁棒性的需求，提出一种基于简化鲁棒UKF的GNSS/INS紧组合列车定位优化方法。综合标准KF的时间更新与标准UKF的量测更新来构建简化UKF,在保证GNSS/INS紧组合列车定位精度的同时改善定位解算实时性。在简化UKF滤波框架内，引入故障检测与自适应调整因子构建简化鲁棒UKF,可以快速检测传感器量测故障导致的系统故障，并对故障历元的量测噪声协方差进行自适应调整降低滤波增益，使得滤波算法具有较强的鲁棒性。采用京沈高铁实测数据与故障仿真数据进行算法定位性能验证与评估，结果表明：基于简化UKF的GNSS/INS紧组合定位算法水平定位精度为2.686 5 m,与传统EKF滤波模型下的紧组合与松组合方法相比定位精度分别提高5.6%和15.0%。此外，提出的简化鲁棒UKF方法可以快速有效检测到不同类型的传感器量测故障，且大幅抑制传感器量测故障，优化复杂运行场景下的列车定位精度与鲁棒性。     

扣件纵向阻力对地铁道岔力学特性的影响研究

研究目的:扣件是地铁道岔关键传力部件,其纵向阻力对道岔各钢轨的受力与位移有着重要影响。为明确不同扣件轨下垫板、不同纵向阻力下地铁道岔的纵向力学特性,对其扣件进行试验及数值模拟分析。研究结论:(1)相比橡胶垫板,采用聚酯垫板时,道岔基本轨纵向位移减小13%以上,尖轨纵向位移减小2%左右,道岔各钢轨纵向受力变化不大;(2)随着扣件纵向刚度的增加,道岔结构的纵向位移和基本轨纵向受力逐渐减小,虽然导轨温度力略有增大,但增幅很小,不会影响结构安全性;(3)在地铁道岔中采用聚酯垫板并适当增大扣件纵向刚度是合理的优化方向;(4)本研究成果可用于地铁道岔扣件轨下垫板选型以及阻力优化设计。     

基于Faster R-CNN的铁路扣件定位方法研究

准确的扣件定位是进行扣件状态检测、保障轨道交通车辆安全运行的基础,传统的基于图像处理的方法难以满足快速准确智能检测的需要.针对这一情况,提出一种基于改进Faster R-CNN的深度学习理论方法,进行扣件定位.首先,建立检测图像数据集并进行图像标注,然后根据实际扣件图像特点建立Faster R-CNN检测模型,利用标注...     

基于YOLOv3算法的轨道扣件自动定位与检测

针对目前轨道扣件人工检测效率低、准确率低等问题,提出了基于YOLOv3算法的轨道扣件自动定位及检测方法。采集有砟轨道和无砟轨道的扣件图像并进行标注,通过K-means聚类确定预设边界框大小;为了更好地检测到细粒度特征,采用4个不同尺度的特征图来进行对象检测;对Darknet-53网络进行改进,有利于解决深层次网络的梯度问题,增加轨道扣件目标识别模型的识别效果。试验结果表明,该方法对轨道扣件目标识别效果较好,检测准确率较高。     

基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。     

高速铁路车-地同步定位预测快速越区切换方法

带宽不足和切换频繁是高速铁路现阶段发展宽带移动通信所面临的关键问题。本文基于光载无线电新技术和小区移动的新概念,构建一种可支持高带宽高铁移动通信应用场景的光电联合控制快速越区切换机制,并提出一种与该机制相匹配的车-地同步定位预测越区切换方法。通过在网络仿真软件NS-2下建立高铁通信模型,获得的仿真结果表明,车-地同步定位预测越区切换算法与经典的IEEE 802.11切换算法相比,在网络吞吐量、封包延迟以及丢包率等指标上均有较大幅度的性能提升,有效克服切换时长问题,避免出现严重的切换风暴。     

简支梁桥上无缝道岔温度力与位移影响因素分析

将道岔、梁和墩台视为一个系统,建立简支梁桥上无缝道岔的有限元模型。根据变分原理和“对号入座”法则建立有限元方程组。以铺设一组43号道岔的18跨32 m混凝土简支梁桥为例,研究影响简支梁桥上无缝道岔受力与位移的因素,如支座布置形式、轨温变化幅度、梁温差、扣件阻力、道床阻力、限位器间隙、岔枕刚度、限位器位置、梁跨长度和桥墩刚度等。计算结果表明,简支梁桥上无缝道岔在温度荷载作用下,钢轨温度力在限位器处和限位器前梁端处同时出现两个峰值;与桥上无缝线路相比,桥上无缝道岔桥墩处的最大受力显著增大;当梁与导轨同向伸缩时,岔区内钢轨位移较大;限位器应布置在梁跨中部;限位器间隙对桥上无缝道岔的受力与位移有双重影响;岔区内钢轨的受力与位移随桥墩刚度增大而减小;岔区内采用较大的扣件阻力和道床阻力,岔区外采用较小的扣件阻力和道床阻力,可以降低钢轨附加温度力。     

城市轨道交通9号道岔减振扣件设计与研究

针对城市轨道交通正线道岔区的中等减振需求,从扣件结构组装方式、锚固螺栓形式、胶垫材质、调高方式以及岔区刚度均匀化实现方式等方面进行研究,提出一种预埋铁座式的道岔减振扣件设计方案,并对扣件进行有限元分析和室内试验。该扣件橡胶胶垫采用耐油橡胶,整体结构采用可拆卸式设计,相比传统双层非线性减振扣件取消下层铁垫板,其具有更小的扣件安装高度和更高的横向稳定性。通过调整铁垫板下橡胶垫上的开孔方式以及表面钉柱排布形式,获得岔区各扣件节点的不同刚度,从而实现道岔区整体刚度均匀化。扣件组装疲劳试验、预埋铁座抗拔力试验及有限元分析结果表明,扣件铁垫板及其连接件等主要部件强度满足设计要求;落锤冲击对比试验结果显示,采用该扣件方案相比普通分开式扣件地面垂向振动Z振级VLz减少8.48 dB,该减振扣件满足城市轨道交通道岔区中等减振的使用要求。     

基于改进Mask R-CNN的轨道扣件状态检测方法

为提高轨道扣件状态检测的准确率,基于K均值聚类算法改进掩膜区域卷积神经网络(Mask R-CNN)实例分割算法中的区域建议网络。进行基于改进Mask R-CNN的轨道扣件状态检测方法研究,并将该方法分别应用于普速铁路有砟轨道2个扣件数据集和高速铁路无砟轨道1个扣件数据集上进行轨道扣件状态检测。结果表明:该方法能对普速铁路有砟轨道和高速铁路无砟轨道图像中的扣件状态进行准确检测,扣件的定位准确率和分类准确率平均分别达到97.05%和98.36%,均优于YOLO V3,Faster R-CNN和Mask R-CNN算法;相较于前2种算法,本方法对普速铁路有砟轨道扣件状态检测的优势更为明显。     

基于DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题，以S700型转辙机道岔为研究对象，提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手，总结故障类型、故障原因和故障信号形态特征，并对道岔转换动作曲线进行预处理，即数据统一维度和归一化。然后计算标准电流曲线和功率曲线，根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选，选取对故障分类具有明显效果的时域特征，以及根据深度学习算法获取的图像特征，形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练，并基于诊断模型实现道岔故障的实时诊断。实验表明：在样本数据量足够大的情况下，DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。     

基于代价敏感卷积神经网络的扣件缺陷检测算法

为解决扣件数据集不平衡问题,引入代价敏感策略对卷积神经网络算法进行改进,并以此检测断裂、丢失的缺陷扣件。该算法借鉴AdaBoost算法的思路,在训练过程中对整体误差函数中每个样本分配不同的权重,并依据先前模型的错误率不断地加以调整,使算法关注各个类别中的难学习样本,并对调整后的权重按类别进行归一化处理,以增大小类样本的关注度。分别在高速铁路无砟轨道和普速铁路有砟轨道2个扣件数据集上进行对照试验验证算法的有效性。引入G-mean作为评价指标平衡不同类别的召回率。结果表明:将改进后算法应用于高速铁路无砟和普速铁路有砟轨道的扣件数据集,改进后算法的G-mean值比原算法分别提高10%和25%以上;比传统的扣件识别方法分别提高13%和39%以上。     

基于混合模型的道岔综合监测系统研究

道岔作为关键的铁路信号设备，也是铁路线路三大薄弱环节之一，其工作质量直接影响列车的运行安全。传统的道岔检测方法过分依赖人工经验，检测效率低下，难以应对现有铁路运行中行车速度快、发车密度高等对道岔维护所带来的严峻挑战，并且现有道岔监测也存在监测项目不全面等问题。为满足工电融合需要，开发了一套基于混合模型的道岔综合监测系统，使用卷积神经网络自动进行特征提取，以获取道岔状态，充分发挥深度学习的自动特征提取优势；采用支持向量机和向量域的混合算法，对正常/故障数据进行分类和异常检测，从而提高故障检测的准确率。测试结果表明：与现有人工巡检方法相比，该系统能够为相关人员提供精准、实时的道岔故障预警，提高维护效率，有效减少人力成本且降低道岔病害的发生概率。     

基于流行排序的轨道扣件定位方法研究

针对利用图像处理技术在进行轨道扣件定位的过程中易受到拍摄条件及复杂背景干扰的难题,提出一种基于流行排序的轨道扣件定位方法。对轨道扣件图像进行超像素分割和基于图论的特征图构建;根据特征图节点基于背景尺度和前景尺度的相关性进行排序,得到前景突出且背景抑制的轨道扣件显著图,完成轨道扣件区域在图像中的的准确定位。引入准确率-召回率曲线、F度量值和平均绝对误差作为评价扣件定位准确程度的指标。研究结果表明:本文方法对不同类型的轨道扣件图像均能进行精确的扣件定位,且与其它算法相比具有更好的定位效果、较高的效率和鲁棒性。     

基于区域分类和电子地图的室内定位研究

为辅助盲人独立乘坐地铁出行,解决传统室内定位法易产生定位点跳跃和定位实时性差等问题,提出一种融合区域分类和电子地图的方法。该方法分为离线区域分类和在线定位2个阶段:在离线阶段通过迭代寻优,为蓝牙传感器产生的RSSI序列寻找最佳高斯滤波模板,采用滤波后的序列均值构建位置指纹库,并利用支持向量机模型对位置指纹库进行1级分类;在线阶段,采用滑动窗口对待定位区域进行2级分类,在窗口范围内采用基于欧氏距离的KNN算法求取位置坐标,并利用电子地图的路径层信息对定位坐标纠偏,进一步控制误差范围,提高定位效率。实验表明:该滤波方法将定位精度提高近4%,使用该定位算法最终能达到1.59 m定位精度。